SlideShare ist ein Scribd-Unternehmen logo

Logistische Regression mit Python

•
•
Datamics
Datamics

Eine Einführung zur Durchführung einer logistischen Regression mit Python.

Daten & Analysen
1 von 19
Logistische Regression Eine Einführung
Mathematischer Hintergrund • Kapitel 4 – 4.3 im ISLR-Buch gibt einen tieferen Einblick in die Thematik Logistische Regression by Datamics, 2018
Hintergrund • Wir wollen mehr über logistische Regression als Methode der Klassifizierung lernen. • Einige Beispiele von Klassifizierungsproblemen sind: • Erkennen von Spam-Emails • Kreditausfall (ja/nein) • Krankheitsdiagnose • Diese Beispiele waren alle binäre Klassifikationen Logistische Regression by Datamics, 2018
Hintergrund • Bisher haben wir nur Regressionen gesehen, die einen kontinuierlichen Wert vorhersagen sollen. • Auch wenn der Name anfangs etwas verwirrend sein könnte erlauben es uns logistische Regressionen Klassifizierungsprobleme zu lösen, bei denen es um diskrete Kategorien geht. • Die Konvention für binäre Klassifikation ist es 0 und 1 zu verwenden. Logistische Regression by Datamics, 2018
Hintergrund • Wir können ein lineares Regressionsmodell nur schlecht für binäre Gruppen verwenden. Es würde keine gute Schätzung liefern: Logistische Regression Wahrscheinlichkeit unter 0 by Datamics, 2018
Hintergrund • Statt dessen können wir eine lineare Regression zu einer logistischen Regressionslinie umwandeln: Logistische Regression Wahrscheinlichkeit Wahrscheinlichkeit unter 0 by Datamics, 2018
Sigmoid Funktion • Die Sigmoid (Logistische) Funktion nimmt jeden Wert und wandelt ihn in einen Output zwischen 0 und 1 um. Logistische Regression by Datamics, 2018
Sigmoid Funktion • Das bedeutet wir können unsere Lösung der linearen Regression verwenden und sie in die Sigmoid Funktion einsetzen. Logistische Regression by Datamics, 2018
Sigmoid Funktion • Das bedeutet wir können unsere Lösung der linearen Regression verwenden und sie in die Sigmoid Funktion einsetzen. Logistische Regression by Datamics, 2018
Sigmoid Funktion • Das Ergebnis ist eine Wahrscheinlichkeit zwischen 0 und 1, die die Zugehörigkeitswahrscheinlichkeit zur Klasse 1 angibt. Logistische Regression by Datamics, 2018
Sigmoid Funktion • Wir können eine Grenze bei 0.5 setzen: Alles darunter zählt zu Klasse 0 und alles darüber zählt zu Klasse 1. Logistische Regression by Datamics, 2018
Sigmoid Funktion • Wir verwenden die logistische Funktion um einen Wert zwischen 0 und 1 auszugeben. Anhand dieser Wahrscheinlichkeit weisen wir eine Klasse zu. Logistische Regression by Datamics, 2018
Modell Auswertung • Nachdem wir unser logistisches Regressionsmodell mit unserem Trainingsset trainiert haben können wir seine Güte durch das Testset auswerten. • Dazu verwenden wir die Konfusionsmatrix (Confusion Matrix). Logistische Regression by Datamics, 2018
Modell Auswertung • Wir verwenden wir die Konfusionsmatrix, um unser Modell auszuwerten. • Zum Beispiel ein Krankheitstest. Logistische Regression Beispiel: NO = Negativer Test = Falsch = 0 YES = Positiver Test = Wahr = 1 by Datamics, 2018
Konfusionsmatrix Logistische Regression Terminologie: -Richtig Positiv (True Positiv TP) -Richtig Negativ (True Negatives TN) -Falsch Positiv (False Positive FP) -Falsch Negativ (False Negative FN) by Datamics, 2018
Konfusionsmatrix Logistische Regression Genauigkeit: • Korrekte Aussagen insgesamt? • (TP + TN) / n = 150/165 = 0.91 by Datamics, 2018
Konfusionsmatrix Logistische Regression Ungenauigkeit (Error Rate): • Falsche Aussagen insgesamt? • (FP+ FN) / n = 15/165 = 0.09 by Datamics, 2018
Konfusionsmatrix Logistische Regression by Datamics, 2018
Konfusionsmatrix Logistische Regression by Datamics, 2018

Empfohlen

Verzerrung Varianz Dilemma
Verzerrung Varianz DilemmaVerzerrung Varianz Dilemma
Verzerrung Varianz DilemmaDatamics
 
Decision Trees und Random Forest mit Python
Decision Trees und Random Forest mit PythonDecision Trees und Random Forest mit Python
Decision Trees und Random Forest mit PythonDatamics
 
Machine Learning mit Python
Machine Learning mit PythonMachine Learning mit Python
Machine Learning mit PythonDatamics
 
Python Installationen für Data Science
Python Installationen für Data SciencePython Installationen für Data Science
Python Installationen für Data ScienceDatamics
 
Python Bootcamp - Grundlagen
Python Bootcamp - GrundlagenPython Bootcamp - Grundlagen
Python Bootcamp - GrundlagenDatamics
 
Paradigmas do Ruby
Paradigmas do RubyParadigmas do Ruby
Paradigmas do RubyHeverson Damasceno
 
MachineLlearning introduction
MachineLlearning introductionMachineLlearning introduction
MachineLlearning introductionThe IOT Academy
 
Tutorial sobre iptables
Tutorial sobre iptablesTutorial sobre iptables
Tutorial sobre iptablesMarcelo Barros de Almeida
 

Empfohlen

Verzerrung Varianz Dilemma
Verzerrung Varianz DilemmaVerzerrung Varianz Dilemma
Verzerrung Varianz DilemmaDatamics
 
Decision Trees und Random Forest mit Python
Decision Trees und Random Forest mit PythonDecision Trees und Random Forest mit Python
Decision Trees und Random Forest mit PythonDatamics
 
Machine Learning mit Python
Machine Learning mit PythonMachine Learning mit Python
Machine Learning mit PythonDatamics
 
Python Installationen für Data Science
Python Installationen für Data SciencePython Installationen für Data Science
Python Installationen für Data ScienceDatamics
 
Python Bootcamp - Grundlagen
Python Bootcamp - GrundlagenPython Bootcamp - Grundlagen
Python Bootcamp - GrundlagenDatamics
 
Paradigmas do Ruby
Paradigmas do RubyParadigmas do Ruby
Paradigmas do RubyHeverson Damasceno
 
MachineLlearning introduction
MachineLlearning introductionMachineLlearning introduction
MachineLlearning introductionThe IOT Academy
 
Tutorial sobre iptables
Tutorial sobre iptablesTutorial sobre iptables
Tutorial sobre iptablesMarcelo Barros de Almeida
 
Linguagem de Programação Java para Iniciantes
Linguagem de Programação Java para IniciantesLinguagem de Programação Java para Iniciantes
Linguagem de Programação Java para IniciantesOziel Moreira Neto
 
Desmistificando o DialogFlow
Desmistificando o DialogFlowDesmistificando o DialogFlow
Desmistificando o DialogFlowJackson F. de A. Mafra
 
Git e GitHub - Conceitos Básicos
Git e GitHub - Conceitos BásicosGit e GitHub - Conceitos Básicos
Git e GitHub - Conceitos BásicosHenrique Silvestre Souza
 
EBAC Django
EBAC DjangoEBAC Django
EBAC DjangoHenrique Gabriel Gularte Pereira
 
Amazon Rekognition: Deep Learning-Based Image and Video Analysis
Amazon Rekognition: Deep Learning-Based Image and Video AnalysisAmazon Rekognition: Deep Learning-Based Image and Video Analysis
Amazon Rekognition: Deep Learning-Based Image and Video AnalysisAmazon Web Services
 
Welcome to the Meta-World
Welcome to the Meta-WorldWelcome to the Meta-World
Welcome to the Meta-WorldRonak Mehta
 
JAVA - Herança
JAVA - HerançaJAVA - Herança
JAVA - HerançaElaine Cecília Gatto
 
PostgreSQL: O melhor banco de dados Universo
PostgreSQL: O melhor banco de dados UniversoPostgreSQL: O melhor banco de dados Universo
PostgreSQL: O melhor banco de dados Universoelliando dias
 
Tipos de dados em MySQL
Tipos de dados em MySQLTipos de dados em MySQL
Tipos de dados em MySQLDaniel Brandão
 
Aula 07 Css - Parte 1
Aula 07 Css - Parte 1Aula 07 Css - Parte 1
Aula 07 Css - Parte 1Professor Samuel Ribeiro
 
Como Desenvolver CompetêNcias Dentro Da Empresa
Como Desenvolver CompetêNcias Dentro Da EmpresaComo Desenvolver CompetêNcias Dentro Da Empresa
Como Desenvolver CompetêNcias Dentro Da EmpresaCDuque - freelancer Student Mentoring & Coaching
 
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...Jaffer Veronezi
 
Qualidade de Software: MPS.BR
Qualidade de Software: MPS.BRQualidade de Software: MPS.BR
Qualidade de Software: MPS.BRElaine Cecília Gatto
 
Raid
RaidRaid
RaidIvan Justo
 
Die Data Science Toolbox
Die Data Science ToolboxDie Data Science Toolbox
Die Data Science ToolboxDatamics
 
Die Data Science Softskills
Die Data Science SoftskillsDie Data Science Softskills
Die Data Science SoftskillsDatamics
 
Slideshare reinforcement learning
Slideshare reinforcement learningSlideshare reinforcement learning
Slideshare reinforcement learningDatamics
 
Slideshare TensorFlow Grundlagen
Slideshare TensorFlow GrundlagenSlideshare TensorFlow Grundlagen
Slideshare TensorFlow GrundlagenDatamics
 
Slideshare GAN
Slideshare GANSlideshare GAN
Slideshare GANDatamics
 
Slideshare AutoEncoder
Slideshare AutoEncoderSlideshare AutoEncoder
Slideshare AutoEncoderDatamics
 
Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Datamics
 
R für Data Science und Machine Learning
R für Data Science und Machine LearningR für Data Science und Machine Learning
R für Data Science und Machine LearningDatamics
 

Weitere ähnliche Inhalte

Was ist angesagt?

Linguagem de Programação Java para Iniciantes
Linguagem de Programação Java para IniciantesLinguagem de Programação Java para Iniciantes
Linguagem de Programação Java para IniciantesOziel Moreira Neto
 
Amazon Rekognition: Deep Learning-Based Image and Video Analysis
Amazon Rekognition: Deep Learning-Based Image and Video AnalysisAmazon Rekognition: Deep Learning-Based Image and Video Analysis
Amazon Rekognition: Deep Learning-Based Image and Video AnalysisAmazon Web Services
 
Welcome to the Meta-World
Welcome to the Meta-WorldWelcome to the Meta-World
Welcome to the Meta-WorldRonak Mehta
 
PostgreSQL: O melhor banco de dados Universo
PostgreSQL: O melhor banco de dados UniversoPostgreSQL: O melhor banco de dados Universo
PostgreSQL: O melhor banco de dados Universoelliando dias
 
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...Jaffer Veronezi
 

Was ist angesagt? (14)

Linguagem de Programação Java para Iniciantes
Linguagem de Programação Java para IniciantesLinguagem de Programação Java para Iniciantes
Linguagem de Programação Java para Iniciantes
 
Desmistificando o DialogFlow
Desmistificando o DialogFlowDesmistificando o DialogFlow
Desmistificando o DialogFlow
 
Git e GitHub - Conceitos Básicos
Git e GitHub - Conceitos BásicosGit e GitHub - Conceitos Básicos
Git e GitHub - Conceitos Básicos
 
EBAC Django
EBAC DjangoEBAC Django
EBAC Django
 
Amazon Rekognition: Deep Learning-Based Image and Video Analysis
Amazon Rekognition: Deep Learning-Based Image and Video AnalysisAmazon Rekognition: Deep Learning-Based Image and Video Analysis
Amazon Rekognition: Deep Learning-Based Image and Video Analysis
 
Welcome to the Meta-World
Welcome to the Meta-WorldWelcome to the Meta-World
Welcome to the Meta-World
 
JAVA - Herança
JAVA - HerançaJAVA - Herança
JAVA - Herança
 
PostgreSQL: O melhor banco de dados Universo
PostgreSQL: O melhor banco de dados UniversoPostgreSQL: O melhor banco de dados Universo
PostgreSQL: O melhor banco de dados Universo
 
Tipos de dados em MySQL
Tipos de dados em MySQLTipos de dados em MySQL
Tipos de dados em MySQL
 
Aula 07 Css - Parte 1
Aula 07 Css - Parte 1Aula 07 Css - Parte 1
Aula 07 Css - Parte 1
 
Como Desenvolver CompetêNcias Dentro Da Empresa
Como Desenvolver CompetêNcias Dentro Da EmpresaComo Desenvolver CompetêNcias Dentro Da Empresa
Como Desenvolver CompetêNcias Dentro Da Empresa
 
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
Proposta de um modelo de escalonamento de metodologia ágil para grandes organ...
 
Qualidade de Software: MPS.BR
Qualidade de Software: MPS.BRQualidade de Software: MPS.BR
Qualidade de Software: MPS.BR
 
Raid
RaidRaid
Raid
 

Mehr von Datamics

Die Data Science Toolbox
Die Data Science ToolboxDie Data Science Toolbox
Die Data Science ToolboxDatamics
 
Die Data Science Softskills
Die Data Science SoftskillsDie Data Science Softskills
Die Data Science SoftskillsDatamics
 
Slideshare reinforcement learning
Slideshare reinforcement learningSlideshare reinforcement learning
Slideshare reinforcement learningDatamics
 
Slideshare TensorFlow Grundlagen
Slideshare TensorFlow GrundlagenSlideshare TensorFlow Grundlagen
Slideshare TensorFlow GrundlagenDatamics
 
Slideshare GAN
Slideshare GANSlideshare GAN
Slideshare GANDatamics
 
Slideshare AutoEncoder
Slideshare AutoEncoderSlideshare AutoEncoder
Slideshare AutoEncoderDatamics
 
Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Datamics
 
R für Data Science und Machine Learning
R für Data Science und Machine LearningR für Data Science und Machine Learning
R für Data Science und Machine LearningDatamics
 
Principal Component Analysis mit Python
Principal Component Analysis mit PythonPrincipal Component Analysis mit Python
Principal Component Analysis mit PythonDatamics
 
K Means mit Python
K Means mit PythonK Means mit Python
K Means mit PythonDatamics
 
Support Vector Machines mit Python
Support Vector Machines mit PythonSupport Vector Machines mit Python
Support Vector Machines mit PythonDatamics
 
K Nearest Neighbors mit Python
K Nearest Neighbors mit PythonK Nearest Neighbors mit Python
K Nearest Neighbors mit PythonDatamics
 
Lineare Regression mit Python
Lineare Regression mit PythonLineare Regression mit Python
Lineare Regression mit PythonDatamics
 

Mehr von Datamics (13)

Die Data Science Toolbox
Die Data Science ToolboxDie Data Science Toolbox
Die Data Science Toolbox
 
Die Data Science Softskills
Die Data Science SoftskillsDie Data Science Softskills
Die Data Science Softskills
 
Slideshare reinforcement learning
Slideshare reinforcement learningSlideshare reinforcement learning
Slideshare reinforcement learning
 
Slideshare TensorFlow Grundlagen
Slideshare TensorFlow GrundlagenSlideshare TensorFlow Grundlagen
Slideshare TensorFlow Grundlagen
 
Slideshare GAN
Slideshare GANSlideshare GAN
Slideshare GAN
 
Slideshare AutoEncoder
Slideshare AutoEncoderSlideshare AutoEncoder
Slideshare AutoEncoder
 
Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)Slideshare Recurrent Neural Networks (RNN)
Slideshare Recurrent Neural Networks (RNN)
 
R für Data Science und Machine Learning
R für Data Science und Machine LearningR für Data Science und Machine Learning
R für Data Science und Machine Learning
 
Principal Component Analysis mit Python
Principal Component Analysis mit PythonPrincipal Component Analysis mit Python
Principal Component Analysis mit Python
 
K Means mit Python
K Means mit PythonK Means mit Python
K Means mit Python
 
Support Vector Machines mit Python
Support Vector Machines mit PythonSupport Vector Machines mit Python
Support Vector Machines mit Python
 
K Nearest Neighbors mit Python
K Nearest Neighbors mit PythonK Nearest Neighbors mit Python
K Nearest Neighbors mit Python
 
Lineare Regression mit Python
Lineare Regression mit PythonLineare Regression mit Python
Lineare Regression mit Python
 

Logistische Regression mit Python

  • 2. Mathematischer Hintergrund • Kapitel 4 – 4.3 im ISLR-Buch gibt einen tieferen Einblick in die Thematik Logistische Regression by Datamics, 2018
  • 3. Hintergrund • Wir wollen mehr über logistische Regression als Methode der Klassifizierung lernen. • Einige Beispiele von Klassifizierungsproblemen sind: • Erkennen von Spam-Emails • Kreditausfall (ja/nein) • Krankheitsdiagnose • Diese Beispiele waren alle binäre Klassifikationen Logistische Regression by Datamics, 2018
  • 4. Hintergrund • Bisher haben wir nur Regressionen gesehen, die einen kontinuierlichen Wert vorhersagen sollen. • Auch wenn der Name anfangs etwas verwirrend sein könnte erlauben es uns logistische Regressionen Klassifizierungsprobleme zu lösen, bei denen es um diskrete Kategorien geht. • Die Konvention für binäre Klassifikation ist es 0 und 1 zu verwenden. Logistische Regression by Datamics, 2018
  • 5. Hintergrund • Wir können ein lineares Regressionsmodell nur schlecht für binäre Gruppen verwenden. Es würde keine gute Schätzung liefern: Logistische Regression Wahrscheinlichkeit unter 0 by Datamics, 2018
  • 6. Hintergrund • Statt dessen können wir eine lineare Regression zu einer logistischen Regressionslinie umwandeln: Logistische Regression Wahrscheinlichkeit Wahrscheinlichkeit unter 0 by Datamics, 2018
  • 7. Sigmoid Funktion • Die Sigmoid (Logistische) Funktion nimmt jeden Wert und wandelt ihn in einen Output zwischen 0 und 1 um. Logistische Regression by Datamics, 2018
  • 8. Sigmoid Funktion • Das bedeutet wir können unsere Lösung der linearen Regression verwenden und sie in die Sigmoid Funktion einsetzen. Logistische Regression by Datamics, 2018
  • 9. Sigmoid Funktion • Das bedeutet wir können unsere Lösung der linearen Regression verwenden und sie in die Sigmoid Funktion einsetzen. Logistische Regression by Datamics, 2018
  • 10. Sigmoid Funktion • Das Ergebnis ist eine Wahrscheinlichkeit zwischen 0 und 1, die die Zugehörigkeitswahrscheinlichkeit zur Klasse 1 angibt. Logistische Regression by Datamics, 2018
  • 11. Sigmoid Funktion • Wir können eine Grenze bei 0.5 setzen: Alles darunter zählt zu Klasse 0 und alles darüber zählt zu Klasse 1. Logistische Regression by Datamics, 2018
  • 12. Sigmoid Funktion • Wir verwenden die logistische Funktion um einen Wert zwischen 0 und 1 auszugeben. Anhand dieser Wahrscheinlichkeit weisen wir eine Klasse zu. Logistische Regression by Datamics, 2018
  • 13. Modell Auswertung • Nachdem wir unser logistisches Regressionsmodell mit unserem Trainingsset trainiert haben können wir seine Güte durch das Testset auswerten. • Dazu verwenden wir die Konfusionsmatrix (Confusion Matrix). Logistische Regression by Datamics, 2018
  • 14. Modell Auswertung • Wir verwenden wir die Konfusionsmatrix, um unser Modell auszuwerten. • Zum Beispiel ein Krankheitstest. Logistische Regression Beispiel: NO = Negativer Test = Falsch = 0 YES = Positiver Test = Wahr = 1 by Datamics, 2018
  • 15. Konfusionsmatrix Logistische Regression Terminologie: -Richtig Positiv (True Positiv TP) -Richtig Negativ (True Negatives TN) -Falsch Positiv (False Positive FP) -Falsch Negativ (False Negative FN) by Datamics, 2018
  • 16. Konfusionsmatrix Logistische Regression Genauigkeit: • Korrekte Aussagen insgesamt? • (TP + TN) / n = 150/165 = 0.91 by Datamics, 2018
  • 17. Konfusionsmatrix Logistische Regression Ungenauigkeit (Error Rate): • Falsche Aussagen insgesamt? • (FP+ FN) / n = 15/165 = 0.09 by Datamics, 2018